8:00
Qwen 3.8 is LIVE NOW! Can It Survive 3 Brutal Tests? (Qwen 3.8 Max Benchmarks)
Ray Codes
Overview
本视频评测了阿里巴巴新发布的 Qwen 3.8 Max 大语言模型。视频详细介绍了该模型的技术规格，包括其庞大的参数量（2.4万亿）和采用的混合专家（MoE）架构，以及其对开发者友好的定价策略和更小规模的可部署版本（270亿参数）。视频通过三个实际测试场景——神经网络训练可视化、3D星系模拟和全球威胁情报中心可视化——展示了 Qwen 3.8 Max 的强大能力，并将其与业界其他领先模型在多个基准测试（如 SWE Pro、Paper Bench、Vision Reasoning 等）上进行了比较，突显了其在多模态推理和自主代理任务上的优势。
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- Qwen 3.8 Max 是阿里巴巴推出的最新旗舰大语言模型，拥有惊人的2.4万亿参数。
- 模型采用混合专家（MoE）架构，仅激活与输入相关的专家系统，从而提高效率并节省计算资源。
- 即将发布270亿参数的精简版本，可在消费级硬件（如 RTX 4090 或 Mac Studio）上运行。
- API定价极具竞争力，通过隐式缓存技术将输入成本降至每百万token 0.25美元，最高可节省87%。
了解模型的规模、架构和成本效益对于评估其适用性和部署可行性至关重要。
模型采用混合专家架构，这意味着它不会一次性调用所有2.4万亿参数，而是像一个高效的调度员，只让相关的“专家”参与工作，从而加快响应速度并降低能耗。
- 该模型能够执行长周期、自主的任务规划，例如在10天内从零开始构建一个生产级软件系统。
- 它能记住长达500轮对话中的目标，适用于制定长期策略（如365天营销计划）。
- 内置多模态视觉循环，能自动跟踪和纠正UI输出中的代码错误。
- 主要的局限性在于其庞大的规模需要多节点GPU服务器集群，且长步骤推理可能导致较高的延迟。
理解模型的优势和劣势有助于合理规划项目，避免在不适用的场景下使用，并为潜在的性能瓶颈做好准备。
如果你需要制定一个为期一年的营销策略，Qwen 3.8 Max 可以记住你的核心目标，并在长达500次的交互中保持一致性，确保策略的连贯性。
- 模型成功生成了一个交互式的神经网络训练可视化工具。
- 该工具实时显示训练的轮次（epoch）、损失（loss）和准确率（accuracy）。
- 可视化内容包括网络结构、权重连接强度以及二元分类任务的决策边界。
- 用户可以暂停和重置训练过程，直观理解模型决策过程。
通过可视化工具，开发者可以更直观地理解模型训练过程中的动态变化，从而更好地进行模型调优和问题诊断。
生成的2D决策边界清晰地展示了模型如何区分“好”和“坏”两类数据，用户可以通过观察这个边界的变化来理解模型的学习过程。
- 模型生成了一个可交互的3D程序化星系和N体引力模拟的单文件HTML可视化应用。
- 用户可以自定义颜色主题、交互方式，并能模拟黑洞对星系的影响。
- 模拟遵循真实的物理规律，行星围绕恒星运行。
- 该应用可在浏览器中流畅运行，且不消耗过多内存。
此测试展示了模型在生成复杂科学模拟和可视化方面的能力，能够将抽象的物理概念转化为直观的交互体验。
用户可以添加黑洞到模拟的星系中，观察星系结构如何响应这些引力源的变化，直观感受引力在宇宙中的作用。
- 在 SWE Pro 基准测试中，Qwen 3.8 Max 得分67.7%，略高于Qwen 3.7 Max，与GPT-4 Turbo持平。
- 在终端代理基准测试中，得分86.6%，优于GPT-4 Turbo和Claude 3 Opus，但落后于最新的GPT-4o。
- 在 Paper Bench 学术基准测试中，得分93.0%，超越了所有竞争对手。
- 在多模态推理的 Baby Vision 基准测试中，得分91.3%，表现出色。
- 在 OS World 自主代理基准测试中，得分86.1%，同样领先于其他模型。
基准测试结果量化了模型在不同任务上的性能，为用户选择最适合其需求的模型提供了客观依据。
在处理需要执行终端命令的任务时，Qwen 3.8 Max 的表现优于GPT-4 Turbo和Claude 3 Opus，显示了其在自动化脚本和系统管理方面的潜力。
- 模型创建了一个用于全球威胁情报的交互式可视化仪表盘，输出为单个HTML文件。
- 仪表盘展示了全球网络威胁的矢量地图、攻击路径动画和可交互的IP地址节点。
- 用户可以查看IP地址、国家、攻击协议、威胁级别（信息、警告、严重）等详细信息。
- 可视化效果专业，如同企业级仪表盘，并实时追踪日志数据。
该测试展示了模型将复杂数据转化为易于理解和操作的实时监控界面的能力，适用于安全监控和事件响应等领域。
仪表盘上清晰地标示了不同攻击的严重程度，从普通信息提示到最高级别的严重警告，帮助操作人员快速识别和响应关键威胁。
Key takeaways
- Qwen 3.8 Max 凭借其庞大的参数量和先进的 MoE 架构，在性能上达到了业界领先水平，尤其在多模态和自主代理任务上表现突出。
- 尽管模型规模巨大，但通过提供精简版本和优化的 API 定价，Qwen 3.8 Max 努力降低了使用门槛和成本。
- 该模型在生成复杂可视化和交互式应用方面能力强大，能够将抽象概念转化为直观的视觉呈现。
- 在多项关键基准测试中，Qwen 3.8 Max 展现了强大的竞争力，部分指标甚至超越了最先进的闭源模型。
- 模型在长周期任务规划和自主执行方面具有显著优势，为自动化系统开发开辟了新可能。
- 用户在选择模型时，应考虑其规模带来的硬件需求和潜在的延迟问题，并根据具体任务选择合适的版本（如2.4T Max 或 27B）。
- Qwen 3.8 Max 的发布进一步推动了开源大模型的发展，为AI社区带来了强大的新工具。
Key terms
Qwen 3.8 Max大语言模型 (LLM)参数量 (Parameters)混合专家架构 (Mixture of Experts, MoE)API 定价隐式缓存 (Implicit Caching)长周期任务规划 (Long Horizon Task Planning)多模态 (Multimodal)基准测试 (Benchmark)SWE ProPaper BenchBaby VisionOS World
Test your understanding
- Qwen 3.8 Max 模型的核心技术优势是什么？它如何实现高效处理庞大参数量的？
- 为什么说 Qwen 3.8 Max 在 API 使用上具有成本效益？隐式缓存是如何起作用的？
- 在视频展示的三个测试场景中，Qwen 3.8 Max 分别解决了什么问题，并生成了怎样的可视化结果？
- Qwen 3.8 Max 在各项基准测试中的表现如何？它在哪些方面表现突出，又有哪些竞争对手表现更好？
- 对于希望在本地消费级硬件上运行该模型的用户，应该选择哪个版本？为什么？